Es besteht ein wachsender Bedarf an studentischzentriertem Lernen (SCL) in Hochschuleinrichtungen, einschließlich Zahnmedizin. SCL hat jedoch eine begrenzte Anwendung in der Zahnausbildung. Daher zielt diese Studie darauf ab, die Anwendung von SCL in der Zahnheilkunde durch die Verwendung von Entscheidungsbaumemaschinen -Lerntechnologie (ML) zu fördern, um den bevorzugten Lernstil (LS) und die entsprechenden Lernstrategien (IS) von Zahnstudenten als nützliches Instrument zur Entwicklung abzubilden, die Richtlinien sind . Vielversprechende Methoden für Zahnarztstudenten.
Insgesamt 255 Zahnarztstudenten der Universität von Malaya haben den Modified Index of Learning Styles (M-ILS) ausgefüllt, der 44 Elemente enthielt, um sie in ihre jeweiligen LSS zu klassifizieren. Die gesammelten Daten (als Datensatz bezeichnet) werden in überwachtem Entscheidungsbaum gelernt, um die Lernstile der Schüler automatisch an die am besten geeigneten zu entsprechen. Die Genauigkeit des maschinellen Lernbasis ist das Empfehlungswerkzeug wird dann bewertet.
Die Anwendung von Entscheidungsbaummodellen in einem automatisierten Zuordnungsprozess zwischen LS (Input) und IS (Zielausgabe) ermöglicht eine sofortige Liste geeigneter Lernstrategien für jeden Zahnarztstudium. Das IS -Empfehlungswerkzeug zeigte eine perfekte Genauigkeit und Erinnerung an die Gesamtmodellgenauigkeit, was darauf hinweist, dass die Übereinstimmung von LS zu einer guten Empfindlichkeit und Spezifität ist.
Ein IS -Empfehlungswerkzeug, das auf einem ML -Entscheidungsbaum basiert, hat seine Fähigkeit bewiesen, die Lernstile der Zahnstudenten mit geeigneten Lernstrategien genau anzupassen. Dieses Tool bietet leistungsstarke Optionen für die Planung von Kursen oder Modulen, die lernende zentrierte Kurse oder Module haben, die die Lernerfahrung der Schüler verbessern können.
Lehren und Lernen sind grundlegende Aktivitäten in Bildungseinrichtungen. Bei der Entwicklung eines qualitativ hochwertigen beruflichen Bildungssystems ist es wichtig, sich auf die Lernbedürfnisse der Schüler zu konzentrieren. Die Interaktion zwischen den Schülern und ihrer Lernumgebung kann durch ihre LS bestimmt werden. Untersuchungen deuten darauf hin, dass von Lehrern berichtete Fehlanpassungen zwischen den LS der Schüler und der IS negative Folgen für das Lernen von Schülern haben können, wie z. B. verringerte Aufmerksamkeit und Motivation. Dies wirkt sich indirekt auf die Leistung der Schüler aus [1,2].
IS ist eine Methode, die von Lehrern verwendet wird, um den Schülern Wissen und Fähigkeiten zu vermitteln, einschließlich der Lernung der Schüler [3]. Im Allgemeinen planen gute Lehrer Unterrichtsstrategien oder entsprechen dem Wissen ihrer Schüler, den Konzepten, die sie lernen, und der Lernphase am besten. Theoretisch können die Schüler bei LS und übereinstimmen, dass die Schüler eine bestimmte Reihe von Fähigkeiten organisieren und nutzen können, um effektiv zu lernen. In der Regel enthält ein Unterrichtsplan mehrere Übergänge zwischen Phasen, z. B. vom Unterrichten bis zur geführten Praxis oder von der geführten Praxis zu unabhängigen Praxis. In diesem Sinne planen effektive Lehrer häufig den Unterricht mit dem Ziel, das Wissen und die Fähigkeiten der Schüler aufzubauen [4].
Die Nachfrage nach SCL wächst in Hochschuleinrichtungen, einschließlich Zahnmedizin. SCL -Strategien sind so konzipiert, dass sie die Lernbedürfnisse der Schüler erfüllen. Dies kann beispielsweise erreicht werden, wenn die Schüler aktiv an Lernaktivitäten teilnehmen und Lehrer als Vermittler fungieren und für die Bereitstellung wertvoller Feedback verantwortlich sind. Es wird gesagt, dass die Bereitstellung von Lernmaterialien und -aktivitäten, die für das Bildungsniveau oder die Präferenzen der Schüler angemessen sind, die Lernumgebung der Schüler verbessern und positive Lernerfahrungen fördern kann [5].
Im Allgemeinen wird der Lernprozess von Zahnstudenten durch die verschiedenen klinischen Verfahren beeinflusst, die sie für die Durchführung benötigen, und das klinische Umfeld, in dem sie wirksame zwischenmenschliche Fähigkeiten entwickeln. Der Zweck der Ausbildung ist es, den Schülern zu ermöglichen, grundlegende Kenntnisse der Zahnheilkunde mit zahnärztlichen klinischen Fähigkeiten zu kombinieren und das erworbene Wissen auf neue klinische Situationen anzuwenden [6, 7]. Frühe Erforschung der Beziehung zwischen LS und wird festgestellt, dass die Anpassung der Lernstrategien, die an die bevorzugten LS zugeordnet wurden, dazu beitragen würde, den Bildungsprozess zu verbessern [8]. Die Autoren empfehlen auch, eine Vielzahl von Lehr- und Bewertungsmethoden zu verwenden, um sich an das Lernen und die Bedürfnisse der Schüler anzupassen.
Lehrer profitieren von der Anwendung von LS -Kenntnissen, mit denen sie Unterricht entwerfen, entwickeln und implementieren können, die den Erwerb von tieferem Wissen und Verständnis des Faches durch die Schüler verbessern. Forscher haben mehrere LS-Bewertungsinstrumente entwickelt, wie das KOLB Experiential Learning Model, das Felder-Silverman-Lernstilmodell (FSLSM) und das Fleming Vak/Vark-Modell [5, 9, 10]. Laut der Literatur sind diese Lernmodelle die am häufigsten verwendeten und am häufigsten untersuchten Lernmodelle. In den aktuellen Forschungsarbeiten wird FSLSM verwendet, um LS unter Zahnarztstudenten zu bewerten.
FSLSM ist ein weit verbreitetes Modell zur Bewertung des adaptiven Lernens im Ingenieurwesen. Es gibt viele veröffentlichte Arbeiten in den Gesundheitswissenschaften (einschließlich Medizin, Pflege, Apotheke und Zahnmedizin), die mit FSLSM -Modellen gefunden werden können [5, 11, 12, 13]. Das Instrument zur Messung der Dimensionen von LS im FLSM wird als Index der Lernstile (ILS) bezeichnet [8], die 44 Elemente enthält, die vier Dimensionen der LS bewerten: Verarbeitung (aktiv/reflektierend), Wahrnehmung (Wahrnehmung/intuitiv),, Eingabe (visuell). /verbal) und Verständnis (sequentiell/global) [14].
Wie in Abbildung 1 gezeigt, hat jede FSLSM -Dimension eine dominante Präferenz. In der Verarbeitungsdimension bevorzugen beispielsweise Schüler mit „aktiven“ LS es vor, Informationen zu verarbeiten, indem sie direkt mit Lernmaterialien interagieren, durch Tätigkeit lernen und in Gruppen lernen. Das „reflektierende“ LS bezieht sich auf das Lernen durch Denken und arbeitet bevorzugt, allein zu arbeiten. Die „wahrnehmende“ Dimension von LS kann in „Gefühl“ und/oder „Intuition“ unterteilt werden. „Feeling“ -Studenten bevorzugen konkretere Informationen und praktische Verfahren, sind im Vergleich zu „intuitiven“ Studenten, die abstraktes Material bevorzugen und innovativer und kreativer sind. Die "Eingabe" -Dimension von LS besteht aus "visuellen" und "verbalen" Lernenden. Menschen mit „visuellem“ Ls ziehen es vor, visuelle Demonstrationen (wie Diagramme, Videos oder Live -Demonstrationen) durch visuelle Demonstrationen zu lernen, während Menschen mit „verbalem“ LS lieber durch Wörter in schriftlichen oder mündlichen Erklärungen lernen. Um die LS -Dimensionen zu „verstehen“, können solche Lernenden in „sequentielle“ und „globale“ unterteilt werden. „Sequentielle Lernende bevorzugen einen linearen Denkprozess und lernen Schritt für Schritt, während globale Lernende dazu neigen, einen ganzheitlichen Denkprozess zu haben und immer besser zu verstehen, was sie lernen.
In jüngster Zeit haben viele Forscher begonnen, Methoden zur automatischen datengesteuerten Entdeckung zu untersuchen, einschließlich der Entwicklung neuer Algorithmen und Modelle, die große Datenmengen interpretieren können [15, 16]. Basierend auf den bereitgestellten Daten kann beaufsichtigte ML (maschinelles Lernen) Muster und Hypothesen erzeugen, die zukünftige Ergebnisse auf der Grundlage der Konstruktion von Algorithmen vorhersagen [17]. Einfach ausgedrückt, beaufsichtigte Techniken für maschinelles Lernen manipulieren Eingabedaten und Zugalgorithmen. Anschließend generiert es einen Bereich, der das Ergebnis basierend auf ähnlichen Situationen für die bereitgestellten Eingabedaten klassifiziert oder vorhergesagt. Der Hauptvorteil von überwachten Algorithmen für maschinelles Lernen ist die Fähigkeit, ideale und gewünschte Ergebnisse zu erstellen [17].
Durch die Verwendung von datengesteuerten Methoden und Entscheidungsbaumsteuermodellen ist eine automatische Erkennung von LS möglich. Es wurde berichtet, dass Entscheidungsbäume in Ausbildungsprogrammen in verschiedenen Bereichen, einschließlich Gesundheitswissenschaften, häufig eingesetzt werden [18, 19]. In dieser Studie wurde das Modell speziell von den Systementwicklern geschult, um die LS der Schüler zu identifizieren und das Beste für sie zu empfehlen.
Der Zweck dieser Studie ist die Entwicklung von Lieferstrategien, die auf den LS der Schüler basieren und den SCL -Ansatz anwenden, indem ein IS -Empfehlungswerkzeug auf LS zugeordnet wird. Der Entwurfsfluss des IS -Empfehlungswerkzeugs als Strategie der SCL -Methode ist in Abbildung 1 dargestellt. Das IS -Empfehlungswerkzeug ist in zwei Teile unterteilt, einschließlich des LS -Klassifizierungsmechanismus unter Verwendung von ILS und der am besten geeignete ist für die Schüler angezeigt.
Insbesondere umfassen die Merkmale von Tools für Informationssicherheitsempfehlungen die Verwendung von Web -Technologien und die Verwendung von Entscheidungsbaummaschinenlernen. Systementwickler verbessern die Benutzererfahrung und die Mobilität, indem sie sie an mobile Geräte wie Mobiltelefone und Tablets anpassen.
Das Experiment wurde in zwei Phasen durchgeführt, und Studenten der Fakultät für Zahnmedizin an der Universität von Malaya nahmen freiwillig teil. Die Teilnehmer antworteten auf die Online-M-ILs eines Zahnarztes auf Englisch. In der Anfangsphase wurde ein Datensatz von 50 Schülern verwendet, um den Algorithmus für maschinelle Lernen des Entscheidungsbaums auszubilden. In der zweiten Phase des Entwicklungsprozesses wurde ein Datensatz von 255 Studenten verwendet, um die Genauigkeit des entwickelten Instruments zu verbessern.
Alle Teilnehmer erhalten zu Beginn jeder Phase einen Online -Briefing, abhängig vom akademischen Jahr über Microsoft -Teams. Der Zweck der Studie wurde erläutert und die Einverständniserklärung wurde eingeholt. Alle Teilnehmer erhielten einen Link zum Zugriff auf die M-ILs. Jeder Schüler wurde angewiesen, alle 44 Elemente auf dem Fragebogen zu beantworten. Sie erhielten eine Woche Zeit, um die modifizierten ILs gleichzeitig und zu einer Zeit zu vervollständigen, die sie während der Semesterpause vor Beginn des Semesters bequem für sie geeignet sind. Die M-ILs basieren auf dem ursprünglichen ILS-Instrument und modifiziert für Zahnarztstudenten. Ähnlich wie bei den ursprünglichen ILs enthält es 44 gleichmäßig verteilte Elemente (a, b), wobei jeweils 11 Elemente verwendet werden, um Aspekte jeder FSLSM -Dimension zu bewerten.
In den ersten Phasen der Instrumententwicklung stellten die Forscher die Karten mit einem Datensatz von 50 Zahnarztstudenten manuell an. Laut FSLM liefert das System die Summe von Antworten „A“ und „B“. Wenn der Schüler für jede Dimension als Antwort „A“ auswählt, wird der LS als aktiv/wahrnehmungsfähig/visuell/sequentiell eingestuft. Wenn der Schüler als Antwort „B“ auswählt, wird der Schüler als reflektierend/intuitiv/sprachlich eingestuft . / globaler Lernender.
Nach der Kalibrierung des Arbeitsablaufs zwischen Forschern und Systementwicklern zahnärztliche Bildung wurden Fragen anhand der FLSSM -Domäne ausgewählt und in das ML -Modell eingespeist, um die LS jedes Schülers vorherzusagen. "Müll in, Garbage Out" ist ein beliebtes Sprichwort im Bereich des maschinellen Lernens mit Schwerpunkt auf der Datenqualität. Die Qualität der Eingabedaten bestimmt die Präzision und Genauigkeit des maschinellen Lernmodells. Während der Feature Engineering -Phase wird ein neuer Feature -Set erstellt, der die Summe von Antworten „A“ und „B“ basiert, die auf FLSSM basiert. Die Identifikationszahlen von Arzneimittelpositionen sind in Tabelle 1 angegeben.
Berechnen Sie die Punktzahl basierend auf den Antworten und bestimmen Sie die LS des Schülers. Für jeden Schüler liegt der Bewertungsbereich von 1 bis 11. Die Punktzahlen von 1 bis 3 geben an . Eine weitere Variation derselben Dimension ist, dass die Bewertungen von 9 bis 11 eine starke Präferenz für das eine oder andere Ende widerspiegeln [8].
Für jede Dimension wurden Medikamente in „aktiv“, „reflektierend“ und „ausgeglichen“ eingeteilt. Wenn beispielsweise ein Schüler in einem bestimmten Gegenstand „B“ häufiger als „B“ beantwortet und seine Punktzahl den Schwellenwert von 5 für ein bestimmtes Element überschreitet, das die verarbeitende LS -Dimension darstellt, gehört er zu dem „aktiven“ LS Domain. . Die Schüler wurden jedoch als „reflektierende“ LS eingestuft, als sie in bestimmten 11 Fragen (Tabelle 1) mehr als „A“ als „A“ ausgewählt wurden und mehr als 5 Punkte erzielten. Schließlich befindet sich der Student in einem Zustand des „Gleichgewichts“. Wenn die Punktzahl 5 Punkte nicht überschreitet, ist dies ein "Prozess" LS. Der Klassifizierungsprozess wurde für die anderen LS -Dimensionen wiederholt, nämlich Wahrnehmung (aktiv/reflektierend), Eingabe (visuell/verbal) und Verständnis (sequentiell/global).
Entscheidungsbaummodelle können verschiedene Merkmals- und Entscheidungsregeln in verschiedenen Phasen des Klassifizierungsprozesses verwenden. Es gilt als beliebtes Klassifizierungs- und Vorhersagewerkzeug. Es kann unter Verwendung einer Baumstruktur wie einem Flussdiagramm [20] dargestellt werden, bei dem interne Knoten nach Attribut, die jeder Zweig für die Testergebnisse darstellt, und jeder Blattknoten (Blattknoten), der eine Klassenbezeichnung enthält, darstellt.
Ein einfaches regelbasiertes Programm wurde erstellt, um die LS jedes Schülers automatisch zu bewerten und zu kommentieren, basierend auf ihren Antworten. Regelbasiert nimmt die Form einer IF-Anweisung an, wobei „if“ den Auslöser und „dann“ beschreibt, dass die zu ausgeführte Aktion zum Beispiel „Wenn x passiert, dann y y y“ (Liu et al., 2014). Wenn der Datensatz eine Korrelation aufweist und das Entscheidungsbaummodell ordnungsgemäß geschult und bewertet wird, kann dieser Ansatz eine effektive Möglichkeit sein, den Prozess des Abgleichens von LS zu automatisieren und ist.
In der zweiten Entwicklungsphase wurde der Datensatz auf 255 erhöht, um die Genauigkeit des Empfehlungswerkzeugs zu verbessern. Der Datensatz ist in einem Verhältnis von 1: 4 aufgeteilt. Für den Testsatz wurden 25% (64) des Datensatzes verwendet, und die restlichen 75% (191) wurden als Trainingssatz verwendet (Abbildung 2). Der Datensatz muss aufgeteilt werden, um zu verhindern, dass das Modell am selben Datensatz trainiert und getestet wird, was dazu führen kann, dass das Modell eher erinnert als das Lernen. Das Modell wird am Trainingssatz geschult und bewertet seine Leistung im Testsatz - data, das das Modell noch nie zuvor gesehen hat.
Sobald das IS -Tool entwickelt wurde, kann die Anwendung LS basierend auf den Antworten von Zahnstudenten über eine Weboberfläche klassifizieren. Das webbasierte Toolsempfehlungssystem für Informationssicherheit wird unter Verwendung der Python-Programmiersprache erstellt, indem das Django-Framework als Backend verwendet wird. In Tabelle 2 sind die in der Entwicklung dieses Systems verwendeten Bibliotheken aufgeführt.
Der Datensatz wird an ein Entscheidungsbaummodell übertragen, um die Antworten der Schüler zu berechnen und zu extrahieren, um die LS -Messungen der Schüler automatisch zu klassifizieren.
Die Verwirrungsmatrix wird verwendet, um die Genauigkeit eines Entscheidungsbaum -Algorithmus für maschinelles Lernen auf einem bestimmten Datensatz zu bewerten. Gleichzeitig bewertet es die Leistung des Klassifizierungsmodells. Es fasst die Vorhersagen des Modells zusammen und vergleicht sie mit den tatsächlichen Datenbezeichnungen. Die Evaluierungsergebnisse basieren auf vier verschiedenen Werten: TRUE Positiv (TP) - Das Modell hat die positive Kategorie, Falsch positiv (FP) - korrekt vorhergesagt - das Modell hat die positive Kategorie vorhergesagt, aber das wahre Label war negativ, wahr negativ (TN) - Das Modell hat die negative Klasse und falsch negative (FN) korrekt vorhergesagt - das Modell prognostiziert eine negative Klasse, aber das wahre Etikett ist positiv.
Diese Werte werden dann verwendet, um verschiedene Leistungsmetriken des Scikit-Learn-Klassifizierungsmodells in Python zu berechnen, nämlich Präzision, Präzision, Rückruf und F1-Score. Hier sind Beispiele:
Rückruf (oder Sensitivität) misst die Fähigkeit des Modells, den LS eines Schülers nach Beantwortung des M-ILS-Fragebogens genau zu klassifizieren.
Spezifität wird als echte negative Rate bezeichnet. Wie Sie aus der obigen Formel erkennen können, sollte dies das Verhältnis von wahren Negativen (TN) zu echten Negativen und falsch positiven (FP) sein. Im Rahmen des empfohlenen Tools zur Klassifizierung von Medikamenten für Schüler sollte es in der Lage sein, eine genaue Identifizierung zu ermöglichen.
Der ursprüngliche Datensatz von 50 Schülern, mit denen das ML -Modell des Entscheidungsbaums trainiert wurde, zeigte aufgrund des menschlichen Fehlers in den Anmerkungen eine relativ geringe Genauigkeit (Tabelle 3). Nachdem ein einfaches regelbasiertes Programm zur automatischen Berechnung von LS-Ergebnissen und Studentanmerkungen erstellt wurde, wurden immer mehr Datensätze (255) verwendet, um das Empfehlungssystem zu trainieren und zu testen.
In der Multiclas -Verwirrungsmatrix repräsentieren die diagonalen Elemente die Anzahl der korrekten Vorhersagen für jeden LS -Typ (Abbildung 4). Unter Verwendung des Entscheidungsbaumemodells wurden insgesamt 64 Proben korrekt vorhergesagt. In dieser Studie zeigen die diagonalen Elemente die erwarteten Ergebnisse, was darauf hinweist, dass das Modell eine gute Leistung erbringt und die Klassenetikett für jede LS -Klassifizierung genau vorhersagt. Somit beträgt die Gesamtgenauigkeit des Empfehlungswerkzeugs 100%.
Die Werte für Genauigkeit, Präzision, Rückruf und F1 -Score sind in Abbildung 5 dargestellt. Für das Empfehlungssystem unter Verwendung des Entscheidungsbaumemodells beträgt der F1 -Score 1,0 „perfekt“, was perfekte Präzision und Rückruf anzeigt, was die erhebliche Empfindlichkeit und Spezifität widerspiegelt Werte.
Abbildung 6 zeigt eine Visualisierung des Entscheidungsbaummodells nach dem Training und der Prüfung. In einem Nebenseitigen Vergleich zeigte das mit weniger Merkmalen trainierte Entscheidungsbaummodell eine höhere Genauigkeit und eine einfachere Modellvisualisierung. Dies zeigt, dass Feature Engineering, die zur Reduzierung von Funktionen führen, ein wichtiger Schritt zur Verbesserung der Modellleistung ist.
Durch die Anwendung des Entscheidungsbaums überwacht das Lernen, wird die Zuordnung zwischen LS (Eingabe) und IS (Zielausgabe) automatisch generiert und enthält detaillierte Informationen für jedes LS.
Die Ergebnisse zeigten, dass 34,9% der 255 Studenten eine (1) LS -Option bevorzugten. Die Mehrheit (54,3%) hatte zwei oder mehr LS -Präferenzen. 12,2% der Schüler stellten fest, dass LS ziemlich ausgewogen ist (Tabelle 4). Zusätzlich zu den acht Hauptls gibt es 34 Kombinationen von LS -Klassifikationen für zahnärztliche Studenten der Universität von Malaya. Unter ihnen sind Wahrnehmung, Vision und die Kombination von Wahrnehmung und Vision die wichtigsten LS, die von den Schülern berichtet werden (Abbildung 7).
Wie aus Tabelle 4 hervorgeht, hatte die Mehrheit der Schüler eine vorherrschende sensorische (13,7%) oder visuelle (8,6%) LS. Es wurde berichtet, dass 12,2% der Schüler die Wahrnehmung mit Vision (Wahrnehmungsvisueller LS) kombinierten. Diese Ergebnisse legen nahe, dass die Schüler es vorziehen, durch etablierte Methoden zu lernen und zu erinnern, bestimmte und detaillierte Verfahren zu befolgen und aufmerksam zu sein. Gleichzeitig lernt sie gerne durch Schauen (mit Diagrammen usw.) und neigen dazu, Informationen in Gruppen oder selbst zu diskutieren und anzuwenden.
Diese Studie bietet einen Überblick über maschinelle Lerntechniken, die im Data -Mining verwendet werden, wobei der Schwerpunkt darauf liegt, die LS der Schüler sofort und genau vorzusagen und geeignete IS zu empfehlen. Die Anwendung eines Entscheidungsbaummodells identifizierte die Faktoren, die am engsten mit ihrem Leben und ihren Bildungserfahrungen verbunden sind. Es handelt sich um einen überwachten Algorithmus für maschinelles Lernen, der eine Baumstruktur verwendet, um Daten zu klassifizieren, indem ein Datensatz in Unterkategorien auf der Grundlage bestimmter Kriterien unterteilt wird. Es wird durch rekursives Teilen der Eingabedaten in Teilmengen auf der Grundlage des Werts eines der Eingabefunktionen jedes internen Knotens regelmäßig geteilt, bis eine Entscheidung am Blattknoten getroffen wird.
Die internen Knoten des Entscheidungsbaums repräsentieren die Lösung basierend auf den Eingabeeigenschaften des M-ILS-Problems, und die Blattknoten repräsentieren die endgültige LS-Klassifizierungsvorhersage. Während der gesamten Studie ist es leicht, die Hierarchie von Entscheidungsbäumen zu verstehen, die den Entscheidungsprozess erklären und visualisieren, indem die Beziehung zwischen Eingabefunktionen und Ausgangsvorhersagen untersucht wird.
In den Bereichen Informatik und Ingenieurwesen werden Algorithmen für maschinelles Lernen häufig verwendet, um die Leistung der Schüler auf der Grundlage ihrer Aufnahmeprüfungsbewertung, demografischen Informationen und dem Lernverhalten [22] vorherzusagen. Untersuchungen zeigten, dass der Algorithmus die Leistung der Schüler genau vorhersagte und ihnen half, Studierende zu identifizieren, die für akademische Schwierigkeiten mit einem Risiko ausgesetzt waren.
Die Anwendung von ML -Algorithmen bei der Entwicklung virtueller Patientensimulatoren für zahnärztliches Training wird berichtet. Der Simulator kann die physiologischen Reaktionen realer Patienten genau reproduzieren und kann verwendet werden, um Zahnarztstudenten in einer sicheren und kontrollierten Umgebung zu schulen [23]. Mehrere andere Studien zeigen, dass Algorithmen für maschinelles Lernen möglicherweise die Qualität und Effizienz der zahnärztlichen und medizinischen Ausbildung und Patientenversorgung verbessern können. Algorithmen für maschinelles Lernen wurden verwendet, um die Diagnose von Zahnkrankheiten basierend auf Datensätzen wie Symptomen und Patienteneigenschaften zu unterstützen [24, 25]. Während andere Studien die Verwendung von Algorithmen für maschinelles Lernen zur Ausführung von Aufgaben wie Vorhersage von Patientenergebnissen, Identifizierung von Patienten mit hohem Risiko, Entwicklung personalisierter Behandlungspläne [26], Parodontalbehandlung [27] und Kariesbehandlung [25] untersucht haben.
Obwohl Berichte über die Anwendung des maschinellen Lernens in der Zahnheilkunde veröffentlicht wurden, bleibt die Anwendung in der Zahnausbildung begrenzt. Daher zielte diese Studie darauf ab, ein Entscheidungsbaummodell zu verwenden, um Faktoren zu identifizieren, die am engsten mit LS verbunden sind, und gehört zu zahnärztlichen Schülern.
Die Ergebnisse dieser Studie zeigen, dass das entwickelte Empfehlungswerkzeug eine hohe Genauigkeit und eine perfekte Genauigkeit aufweist, was darauf hinweist, dass Lehrer von diesem Tool profitieren können. Mit einem datengesteuerten Klassifizierungsprozess kann er personalisierte Empfehlungen liefern und die Bildungserfahrungen und Ergebnisse für Pädagogen und Schüler verbessern. Unter ihnen können Informationen, die durch Empfehlungswerkzeuge erhalten wurden, Konflikte zwischen den bevorzugten Lehrmethoden der Lehrer und den Lernbedürfnissen der Schüler lösen. Aufgrund der automatisierten Ausgabe von Empfehlungswerkzeugen wird beispielsweise die Zeit, die für die Identifizierung eines Schüler -IP erforderlich ist, und der entsprechenden IP erforderlich ist. Auf diese Weise können geeignete Schulungsaktivitäten und Schulungsmaterialien organisiert werden. Dies hilft, das positive Lernverhalten und die Fähigkeit der Schüler zu konzentrieren, die Schüler zu konzentrieren. In einer Studie berichtete, dass die Bereitstellung von Lernmaterialien und Lernaktivitäten, die ihren bevorzugten LS entsprechen, den Schülern helfen kann, auf verschiedene Weise zu integrieren, zu verarbeiten und zu genießen, um ein größeres Potenzial zu erzielen [12]. Untersuchungen zeigen auch, dass das Verständnis des Lernprozesses der Schüler nicht nur die Teilnahme der Schüler im Klassenzimmer verbessert, sondern auch eine entscheidende Rolle bei der Verbesserung der Unterrichtspraktiken und der Kommunikation mit den Schülern spielt [28, 29].
Wie bei jeder modernen Technologie gibt es jedoch Probleme und Einschränkungen. Dazu gehören Themen im Zusammenhang mit Datenschutz, Voreingenommenheit und Fairness sowie die beruflichen Fähigkeiten und Ressourcen, die zur Entwicklung und Implementierung von Algorithmen für maschinelles Lernen in der Zahnausbildung erforderlich sind. Das wachsende Interesse und die Forschung in diesem Bereich legen jedoch nahe, dass sich Technologien für maschinelles Lernen positiv auf die Zahnausbildung und die Zahndienste auswirken können.
Die Ergebnisse dieser Studie zeigen, dass die Hälfte der Zahnstudenten dazu neigt, Drogen zu „wahrnehmen“. Diese Art von Lernender bevorzugt Fakten und konkrete Beispiele, eine praktische Orientierung, Geduld für Details und eine „visuelle“ LS -Präferenz, bei der Lernende es vorziehen, Bilder, Grafiken, Farben und Karten zu verwenden, um Ideen und Gedanken zu vermitteln. Die aktuellen Ergebnisse stimmen mit anderen Studien überein, die ILs verwenden, um LS bei Zahn- und Medizinstudenten zu bewerten, von denen die meisten Merkmale von Wahrnehmungs- und visuellen LS aufweisen [12, 30]. Dalmolin et al. Dürfen die Schüler über ihr LS über ihr Lernpotential erreichen. Die Forscher argumentieren, dass, wenn Lehrer den Bildungsprozess der Schüler vollständig verstehen, verschiedene Lehrmethoden und -aktivitäten implementiert werden können, die die Leistung und Lernerfahrung der Schüler verbessern [12, 31, 32]. Andere Studien haben gezeigt, dass die Anpassung der LS der Schüler auch Verbesserungen in der Lernerfahrung und -leistung der Schüler zeigt, nachdem sie ihre Lernstile zu ihrem eigenen LS geändert haben [13, 33].
Die Meinungen der Lehrer können sich hinsichtlich der Umsetzung von Lehrstrategien auf der Grundlage der Lernfähigkeiten der Schüler unterscheiden. Während einige die Vorteile dieses Ansatzes sehen, einschließlich Möglichkeiten zur beruflichen Entwicklung, Mentoring und Unterstützung in der Gemeinde, können andere über Zeit und institutionelle Unterstützung besorgt sein. Das Streben nach Gleichgewicht ist der Schlüssel zur Schaffung einer studentenzentrierten Haltung. Hochschulbehörden wie Universitätsadministratoren können eine wichtige Rolle bei der Einführung innovativer Praktiken und Unterstützung der Fakultätsentwicklung spielen [34]. Um ein wirklich dynamisches und reaktionsschnelles Hochschulsystem zu schaffen, müssen die politischen Entscheidungsträger mutige Schritte unternehmen, z. B. Richtlinienänderungen vornehmen, Ressourcen für die technologische Integration aufwenden und Rahmenbedingungen erstellen, die studentische Ansätze fördern. Diese Maßnahmen sind entscheidend, um die gewünschten Ergebnisse zu erzielen. Jüngste Untersuchungen zu differenzierten Unterricht haben deutlich gezeigt, dass eine erfolgreiche Umsetzung differenzierter Unterrichtsdauer und Entwicklungsmöglichkeiten für Lehrer kontinuierliche Möglichkeiten erfordert [35].
Dieses Tool bietet zahnärztliche Pädagogen wertvoll, die einen Studenten-zentrierten Ansatz für die Planung von studentfreundlichen Lernaktivitäten verfolgen möchten. Diese Studie beschränkt sich jedoch auf die Verwendung von Entscheidungsbaum -ML -Modellen. In Zukunft sollten mehr Daten gesammelt werden, um die Leistung verschiedener maschineller Lernmodelle zu vergleichen, um die Genauigkeit, Zuverlässigkeit und Präzision von Empfehlungswerkzeugen zu vergleichen. Bei der Auswahl der am besten geeigneten Methode für maschinelles Lernen für eine bestimmte Aufgabe ist es außerdem wichtig, andere Faktoren wie die Modellkomplexität und Interpretation der Modell zu berücksichtigen.
Eine Einschränkung dieser Studie besteht darin, dass sie sich nur auf die Kartierung von LS konzentrierte und zu zahnärztlichen Schülern gehört. Daher wird das entwickelte Empfehlungssystem nur diejenigen empfehlen, die für Zahnarztstudenten geeignet sind. Änderungen sind für die Verwendung der allgemeinen Hochschulstudenten erforderlich.
Das neu entwickelte Empfehlungswerkzeug für maschinelles Lernen ist in der Lage, die LS der Schüler sofort zu den entsprechenden IS zu klassifizieren und zu entsprechen. Damit ist es das erste Programm für zahnärztliche Bildung, das zahnärztlichen Pädagogen bei der Planung relevanter Unterrichts- und Lernaktivitäten unterstützt. Mit einem datengesteuerten Triage-Prozess kann er personalisierte Empfehlungen liefern, Zeit sparen, die Lehrstrategien verbessern, gezielte Interventionen unterstützen und die kontinuierliche berufliche Entwicklung fördern. Seine Bewerbung fördert die studentenzentrierten Ansätze für die Zahnausbildung.
Gilak Jani Associated Press. Übereinstimmen oder nicht übereinstimmen zwischen dem Lernstil des Schülers und dem Lehrstil des Lehrers. Int J Mod Educ -Informatik. 2012; 4 (11): 51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Postzeit: Apr-29-2024